Varför är självkörande bilar framtiden och hur skapas de?

På grund av de nyligen införda anpassningsbara karantänåtgärderna i praktiskt taget alla delar av världen, har flygresor, allmänna transporter och många andra sektorer drabbats hårt under 2020. Men den automobila världen och självkörande fordon, i synnerhet, har visat en ökad motståndskraft under denna svåra tid. Faktum är att företag som Ford har ökat sina investeringar i utvecklingen av el- och självkörande bilar genom att tilldela 29 miljarder dollar under fjolårets fjärde kvartal. Specifikt kommer 7 miljarder dollar av dessa pengar att gå till utvecklingen av självkörande bilar. Så Ford ansluter sig till General Motors (GM ), Tesla (TSLA ), Baidu och andra biltillverkare som investerar kraftigt i autonoma fordon. I den här artikeln kommer vi att berätta om varför företag investerar i självkörande bilar och hur maskinlärningsalgoritmerna som driver dem tränas.

Varför investerar så många företag i självkörande bilar?

När vi tittar på alla fördelar som självkörande fordon erbjuder, är det lätt att se varför så många företag investerar i deras utveckling. Förare kommer att kunna spara mer pengar eftersom de inte behöver betala dyra försäkringsplaner, det kommer att påskynda deras dagliga pendling, förbättra bränsleekonomin och många andra fördelar. För företag öppnar sådan automation dörren för större besparingar. Ett bra exempel på detta är autonoma långväga transporter som kommer att kunna minska driftskostnaderna med 45%, enligt en rapport från McKinsey & Company.

Den främsta fördelen måste vara den ökade säkerheten. Enligt NHTSA orsakas 94% av allvarliga olyckor av mänskliga fel. Självkörande bilar kan minska antalet olyckor eftersom de inte kräver någon förarinput och har en 360-graders vy hela tiden. Dessutom kan avancerade förarsäkerhetssystem (ADAS) ta över säkerhetskritiska funktioner i farliga situationer, såsom bromsning och styrning. Det finns många tilläggsvärden som autonoma fordon erbjuder samhället, som minskade utsläpp. Faktum är att ett grundfall visade en minskning av energi- och GHG-utsläpp med 9% under fordonets hela livscykel jämfört med konventionella fordon. Nu när vi känner till alla fördelar som självkörande bilar har att erbjuda, låt oss ta en titt på hur de tränas för att känna igen världen omkring dem.

Hur fungerar AV och hur kan AV bli verklighet

Ett självkörande fordon behöver följa trafikreglerna och för att göra det, behöver det känna igen alla olika trafikskyltar, vägmarkeringar, upptäcka andra fordon och fotgängare och otaliga andra föremål. Dessa AI-fordon förlitar sig på maskinlärning för att “beräkna” vad som behöver göras i alla sorters körningar. Låt oss börja med ett grundläggande exempel. En person är i sitt AV och kör på motorvägen för att komma till jobbet. Bilen behöver korrekt identifiera den angivna hastighetsbegränsningen, upprätthålla ett säkert avstånd från bilen framför och när den kommer in i ett bostadsområde, behöver den känna igen fotgängare och låta dem korsa vägen.

Detta kräver tusentals och tusentals bilder som måste annoteras med tekniker som sträcker sig från märkning till semantisk segmentering. Faktum är att Evgenia Khimenko, VD för Mindy Support, ett företag som tillhandahåller dataannoteringstjänster för den automobila sektorn, säger att det finns en mängd olika dataannoteringsprojekt för den automobila industrin som är möjliga:

“Dessa inkluderar projekt som ansiktsigenkänning på videor för att träna självkörande bilar att identifiera beteendet hos andra förare på vägen, videomärkning och annotering för att upptäcka rörelse och riktning på fordonet (vi annoterade mer än 545 miljoner bildsekvenser). Ett annat sofistikerat ljudannoteringsuppdrag var när vi behövde identifiera tidsstämpeln och märka mänskligt tal samt all bakgrundsbuller som sker inuti fordonet, såsom radio, skratt, skrik, sång, djur och till och med tystnad”.

Låt oss överväga ett komplext scenario. Tänk dig att det självkörande fordonet kör i ett bostadsområde och det finns tonåringar med skateboard som väntar på att korsa vägen. Enligt reglerna har bilen rätt att köra först, men det finns en stor chans att tonåringarna inte kommer att vänta på att trafikljuset slår om och kommer att försöka korsa vägen i förväg. En mänsklig förare kommer att vara väl medveten om en sådan risk och kommer att sakta ner för att förutse en sådan händelse, men för en maskin skulle detta vara mycket svårt att beräkna. Detta är nästa steg som forskare försöker ta med självkörande fordon och enklare annoterad data kan vara svaret.

Hur ser AV den fysiska världen?

Självkörande fordon förlitar sig på LiDAR-teknik för att se världen omkring dem. LiDAR skapar en 3D-punktmoln som är en digital representation av hur AI-systemet ser världen. Denna teknik är inte reserverad bara för självkörande fordon, utan används också för andra robotiska processautomatiseringsjobb, såsom att skapa en robot som kan skörda grödor för jordbrukssektorn. 3D-punktmolnet kommer också att behöva annoteras så att maskinen vet exakt vad den ser. Detta görs vanligtvis med tekniker som märkning, 3D-lådor och semantisk segmentering. En mer avancerad form av annotering vore att färgkoda 3D-punktmolnet så att fordonet förstår avståndet till föremålet.

Sättet som LiDAR fungerar är att det skickar en ljussignal till alla föremål i omgivningen och beroende på hur lång tid det tar för ljuset att återvända, ger det AI en förståelse för hur långt bort föremålet är. Till exempel kommer marken på 3D-punktmolnet alltid att vara blå eftersom den är den lägsta punkten, ljuset kommer att studsa tillbaka snabbt och blått har en mycket kort våglängd. Ett av de omgivande husen kan vara rött eller orange beroende på hur långt bort det är.

Det är värt att notera att LiDAR inte är den enda spelaren på marknaden. Till exempel använder Tesla något som kallas Hydrant, som är en kombination av åtta kameror som syr ihop en komplett bild av vägen. Andra företag, som Waymo och Voyage, använder LiDAR. En möjlig anledning till att Tesla kan undvika LiDAR är att det är mycket klumpigt och förstör bilens utseende. Efter allt är Teslor mycket dyra och förare kommer förmodligen inte att vilja ha en stor låda sittande på taket på sina bilar. Företag som utvecklar robotaxi, som Waymo, kan komma undan med att använda LiDAR.

Varför är kvalitetsutbildningsdata så viktigt?

Att ha kvalitetsutbildningsdata är en av de viktigaste sakerna du behöver ha för att skapa ett självkörande fordon. Men att bara erhålla dessa data räcker inte. Utbildningsdataseten måste förberedas via dataannotering så att AI-systemet kan lära sig av dem. Medan detta är en mycket tidskrävande och tråkig process, beror hela projektets framgång på det. Efter allt är självkörande bilar framtiden och kan potentiellt hjälpa oss att minska eller till och med eliminera några av de problem vi upplever i form av bilolyckor och offer, miljöproblem och trafikstockningar på vägarna.